ارائه الگوریتمی مبتنی بر یادگیری جمعی به منظور یادگیری رتبه بندی در بازیابی اطلاعات

یادگیری رتبه بندی که یکی از روش های یادگیری ماشین برای مدل کردن رتبه بندی است، امروزه کاربردهای بسیاری به خصوص در بازیابی اطلاعات، پردازش زبان طبیعی و داده کاوی دارد. فعالیت یادگیری رتبه بندی را می توان به دو بخش تقسیم کرد. یکی سیستم یادگیری مورد استفاده و دیگری سیستم رتبه بندی. در سیستم یادگیری، یک مدل رتبه بندی بر اساس داده های ورودی ساخته می شود. در بخش سیستم رتبه بندی، از این مدل ساخته شده برای پیش بینی رتبه بندی استفاده می شود. در این مقاله یک الگوریتم پیشنهادی مبتنی بر یادگیری جمعی به منظور یادگیری رتبه بندی اسناد ارائه می شود که این الگوریتم به صورت تکراری یادگیرهای ضعیفی بر روی درصدی از داده های آموزشی که توزیع آنها بر اساس یادگیر قبلی عوض شده است، می سازد و جمعی از یادگیرهای ضعیف را برای رتبه بندی تولید می کند. این الگوریتم سعی می کند تا با ساختن رتبه بند بر روی درصدی از داده ها، سبب افزایش دقت و کاهش زمان شود. با ارزیابی بر روی مجموعه داده لتور 3 دیده می شود که بهتر از الگوریتم های دیگری در این زمینه که مبتنی بر یادگیری جمعی هستند، عمل می کند.